CN108596003B - 一种基于机器学习的污损二维码修复方法及系统 - Google Patents

一种基于机器学习的污损二维码修复方法及系统 Download PDF

Info

Publication number
CN108596003B
CN108596003B CN201810322991.3A CN201810322991A CN108596003B CN 108596003 B CN108596003 B CN 108596003B CN 201810322991 A CN201810322991 A CN 201810322991A CN 108596003 B CN108596003 B CN 108596003B
Authority
CN
China
Prior art keywords
dimensional code
image
code image
gray
stained
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810322991.3A
Other languages
English (en)
Other versions
CN108596003A (zh
Inventor
胡建国
邓成谦
黄家诚
李仕仁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN201810322991.3A priority Critical patent/CN108596003B/zh
Publication of CN108596003A publication Critical patent/CN108596003A/zh
Application granted granted Critical
Publication of CN108596003B publication Critical patent/CN108596003B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
    • G06K7/1404—Methods for optical code recognition
    • G06K7/1439—Methods for optical code recognition including a method step for retrieval of the optical code
    • G06K7/1443—Methods for optical code recognition including a method step for retrieval of the optical code locating of the code in an image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
    • G06K7/1404—Methods for optical code recognition
    • G06K7/1408—Methods for optical code recognition the method being specifically adapted for the type of code
    • G06K7/1417—2D bar codes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition

Abstract

本发明公开了一种基于机器学习的污损二维码修复方法及系统，其中，所述污损二维码修复方法包括：对获取的彩色二维码图像进行灰度化处理，转化为灰度二维码图像；对所述灰度二维码图像进行灰度增强处理，获取增强处理后的灰度二维码图像；采用训练好的SVM模型对增强处理后的灰度二维码图像进行二维码区域定位处理，获取二维码区域图像；采用训练好的图像修复模型对所述二维码区域内的污损二维码进行修复处理，获取修复后的二维码图像。在本发明实施过程中，能对污损的二维码进行快速的修复，提高扫描枪对污损二维码识别速度和能力。

Description

一种基于机器学习的污损二维码修复方法及系统
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于机器学习的污损二维码修复方法及系统。
背景技术
二维码是一种在二维平面上通过特定几何模型以指定编码的方式排列来实现信息存储的符合；二维码具有纠错和定位功能，扫描仪器能在不同的角度光照下对二维码进行识别；常见的二维码有QR码，PDF417码、Data matrix等；其中以QR码最为流行。
近年来随着互联网时代的发展，共享经济进入了人们的生活，生活从随处可见各种共享产品，如共享单车，共享充电宝，共享雨伞等；由于QR码具有定位快，可纠错，制作成本低的特点，共享产品经常会选择QR码作为产品的唯一标识；然而在产品流通过程中，因各种环境、人为因素使得二维码受到磨损，严重时会使二维码读取失败，最终影响服务质量。
目前，市面上的扫描设备、软件都不存在污损二维码的修复功能；对于污损二维码，一般是利用二维码的可纠错性在读取过程中以冗余信息来纠正污损带来的错误信息；这种纠错方法的效果由二维码的纠错等级来决定；一般来讲，待编码信息量一定时，纠错等级越高，编码后的冗余信息会越多，编码后的二维码面积会越大，抗污效果越强；二维码正确读取的前提是定位图形完好，一旦定位图形磨损，无论纠错等级再高，扫描设备仍无法正确读取二维码。
发明内容
本发明的目的在于克服现有技术的不足，本发明提供了一种基于机器学习的污损二维码修复方法及系统，能对污损的二维码进行快速的修复，提高扫描枪对污损二维码识别速度和能力。
为了解决上述技术问题，本发明实施了提供了一种基于机器学习的污损二维码修复方法，所述污损二维码修复方法，包括：
对获取的彩色二维码图像进行灰度化处理，转化为灰度二维码图像；
对所述灰度二维码图像进行灰度增强处理，获取增强处理后的灰度二维码图像；
采用训练好的SVM模型对增强处理后的灰度二维码图像进行二维码区域定位处理，获取二维码区域图像；
采用训练好的图像修复模型对所述二维码区域内的污损二维码进行修复处理，获取修复后的二维码图像。
优选地，所述对获取的彩色二维码图像进行灰度化处理为采用灰度转换公式将所述彩色二维码图像转换为所述灰度二维码图像，公式如下：
S＝0.299*R+0.587*G+0.114*B；
其中，S表示灰度化二维码图像，R表示彩色二维码图像中的三原色中的红色，G表示彩色二维码图像中的三原色中的绿色，B表示彩色二维码图像中的三原色中的蓝色。
优选地，所述对所述灰度二维码图像进行灰度增强处理为，包括：
采用归一化后的高斯卷积核对灰度二维码图像进行卷积处理，获取灰度二维码图像的光照图像；
采用灰度二维码图像减去光照图像处理，获取增强的灰度二维码图像。
优选地，所述SVM模型训练步骤，包括：
输入训练尺度C，将待训练二维码图像分割成C*C个小块；
判断每个分块中是否含有二维码区域，若有标注为1，反之标注为0，获取标签集Y；
将每个分块图像展开为向量，获取数据集X；
输入维度W，采用PCA降维将所述待训练二维码图像将至W维；
将降为W维待训练二维码数据集P作为训练集、Y作为标签集进行SVM模型训练，获取训练好的SVM模型。
优选地，所述采用训练好的SVM模型对增强处理后的灰度二维码图像进行二维码区域定位处理，包括：
将增强处理后的灰度二维码图像输入训练好的SVM模型中，训练好的SVM模型输出二维码区域图像。
优选地，所述图像修复模型的训练步骤，包括：
选取n个污损二维码图像和其对应的正常二维码图像分别作训练集A和标签集B；
采用神经网络对训练集A和标签集B进行训练，获取训练好的图像修复模型；
其中n≥1000。
优选地，所述对所述二维码区域内的污损二维码进行修复处理，包括：
将所述污损二维码输入训练好的图像修复模型中，通过训练好的图像修复模型进行图像修复处理，获取修复后的二维码图像。
另外，本发明实施了还提供了一种基于机器学习的污损二维码修复系统，所述污损二维码修复系统，包括：
灰度化模块：用于对获取的彩色二维码图像进行灰度化处理，转化为灰度二维码图像；
灰度增强模块：用于对所述灰度二维码图像进行灰度增强处理，获取增强处理后的灰度二维码图像；
二维码定位模块：用于采用训练好的SVM模型对增强处理后的灰度二维码图像进行二维码区域定位处理，获取二维码区域图像；
二维码修复模块：用于采用训练好的图像修复模型对所述二维码区域内的污损二维码进行修复处理，获取修复后的二维码图像。
优选地，所述灰度增强模块包括：
卷积单元：用于采用归一化后的高斯卷积核对灰度二维码图像进行卷积处理，获取灰度二维码图像的光照图像；
计算单元：用于采用灰度二维码图像减去光照图像处理，获取增强的灰度二维码图像。
优选地，所述二维码定位模块包括:
输入输出单元：用于将增强处理后的灰度二维码图像输入训练好的SVM模型中，训练好的SVM模型输出二维码区域图像。
在本发明实施过程中，在对因各种环境、人为因素使得二维码受到磨损的情况下，对污损的二维码进行快速的修复，提高扫描枪对污损二维码识别速度和能力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例中的污损二维码修复方法的方法流程示意图；
图2是本发明实施例中的污损二维码修复系统的系统结构组成示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
图1是本发明实施例中的污损二维码修复方法的方法流程示意图，如图1所示，所述污损二维码修复方法，包括：
S11：对获取的彩色二维码图像进行灰度化处理，转化为灰度二维码图像；
在本发明具体实施过程中，对二维码的图像的获取方式有很多，主要是通过拍摄设备(智能手机、相机等)拍摄采集的二维码图像，这些二维码图像均为三通道的RGB图像，这样的RGB图像需要较大的存储空间和不方便后续的计算，为了节省图像的存储空间和加快计算速度，将采集到的彩色二维码图像进行灰度化处理；灰度化处理过程中，采用灰度转换公式将彩色二维码图像转化为灰度二维码图像，其转化公式如下：
S＝0.299*R+0.587*G+0.114*B；
其中，S表示灰度化二维码图像，R表示彩色二维码图像中的三原色中的红色，G表示彩色二维码图像中的三原色中的绿色，B表示彩色二维码图像中的三原色中的蓝色。
S12：对所述灰度二维码图像进行灰度增强处理，获取增强处理后的灰度二维码图像；
在本发明具体实施过程中，由于拍摄环境等因素的影响(如光照条件不佳等)，获取到的二维码图像的对比度较低，这样会严重的影响后续的对二维码修复和识别的处理，具体是采用同态滤波法进行图像增强，提高二维码图像的对比度。
具体是采用归一化后的高斯卷积核来对灰度二维码图像进行卷积处理，通过该卷积处理即可获取灰度二维码图像的光照图像，然后采用灰度二维码图像减去其对应的光照图像，即可获取增强的二维码图像；即同态滤波的计算公式如下：
R＝I-I*A
其中R为增强的灰度二维码图像，I是灰度二维码图像，A为归一化的高斯卷积核。
同态滤波的原理为：人眼所能看到的图像是由物体自身的反射光与环境光的叠加而成，物体的反射图像只与物体本身的性质有关而与环境无关；同态滤波法通过高斯卷积核与原图像进行卷积，得到原图像的光照估计，再利用原图像减去光照图像便能得到对反射图像的估计；其中同态滤波发的对图像的增强效果由高斯卷积核的尺度和方差所决定，因此在采用该法进行图像增强时，应根据具体的需求选择不一样的高斯卷积核的尺度和方差。
S13：采用训练好的SVM模型对增强处理后的灰度二维码图像进行二维码区域定位处理，获取二维码区域图像；
在本发明具体实施过程中，首先是获取到训练好的SVM模型，在本发明实施例中，采用训练好的SVM模型对灰度二维码图像进行二维码区域定位，确定二维码区域图像。
具体的对SVM模型的训练的步骤如下：
输入一个尺度C(用户希望将带训练二维码图像分割的大小)，将带训练的二维码图像分成多个C*C大小的小块；然后判断每个大小为C*C的小块中是否含有二维码区域，若是含有二维码区域则将其标注为1，否则标注为0，将这些标注归到一个集合中，获取标签集Y；再将每个大小为C*C的小块图像展开为向量的形式，得到数据集X；输入需要将二维码图像将至的维度W，采用PCA降维将待训练的二维码图像将至W维；将降为W维待训练二维码数据集P作为训练集、Y作为标签集进行SVM模型训练，获取训练好的SVM模型。
PCA降维公式如下：
Figure BDA0001625795670000061
其中P为降维结果，X为向量数据集，W为输入的维数，U为酉矩阵，T为酉矩阵的秩。
S14：采用训练好的图像修复模型对所述二维码区域内的污损二维码进行修复处理，获取修复后的二维码图像。
在本发明具体实施过程中，将待修复的污损二维码输入训练好的图像修复模型中，通过训练好的图像修复模型对待修复的污损二维码进行修复，最终输出修复后的二维码图像。
图像修复模型的训练过程包括：
选取一定数量的污损二维码图像与其对应的正常二维码图像分别作训A练集和标签集B，然后构建一个训练专用的神经网络，采用该神经网络进行训练，通过上述训练获取拟合修复函数f，即为训练好的图像修复模型；在训练过程中，一定数量的污损二维码图像的数量应该大于或等于1000。
图2是本发明实施例中的污损二维码修复系统的系统结构组成示意图，如图2所示，所述污损二维码修复系统，包括：
灰度化模块11：用于对获取的彩色二维码图像进行灰度化处理，转化为灰度二维码图像；
灰度增强模块12：用于对所述灰度二维码图像进行灰度增强处理，获取增强处理后的灰度二维码图像；
二维码定位模块13：用于采用训练好的SVM模型对增强处理后的灰度二维码图像进行二维码区域定位处理，获取二维码区域图像；
二维码修复模块14：用于采用训练好的图像修复模型对所述二维码区域内的污损二维码进行修复处理，获取修复后的二维码图像。
优选地，所述灰度增强模块12包括：
卷积单元：用于采用归一化后的高斯卷积核对灰度二维码图像进行卷积处理，获取灰度二维码图像的光照图像；
计算单元：用于采用灰度二维码图像减去光照图像处理，获取增强的灰度二维码图像。
优选地，所述二维码定位模块13包括:
输入输出单元：用于将增强处理后的灰度二维码图像输入训练好的SVM模型中，训练好的SVM模型输出二维码区域图像。
优选地，灰度化模块11包含了转化单元：用于采用灰度转换公式将所述彩色二维码图像转换为所述灰度二维码图像，公式如下：
S＝0.299*R+0.587*G+0.114*B；
其中，S表示灰度化二维码图像，R表示彩色二维码图像中的三原色中的红色，G表示彩色二维码图像中的三原色中的绿色，B表示彩色二维码图像中的三原色中的蓝色。
优选地，二维码定位模块13还包括SVM模型训练单元，用于对SVM进行训练，其中训练过程如下：
输入训练尺度C，将待训练二维码图像分割成C*C个小块；
判断每个分块中是否含有二维码区域，若有标注为1，反之标注为0，获取标签集Y；
将每个分块图像展开为向量，获取数据集X；
输入维度W，采用PCA降维将所述待训练二维码图像将至W维；
将降为W维待训练二维码数据集P作为训练集、Y作为标签集进行SVM模型训练，获取训练好的SVM模型。
优选地，二维码修复模块14还包括了图像修复模型训练单元，用于对图像修复模型进行训练，其中训练过程如下：
选取n个污损二维码图像和其对应的正常二维码图像分别作训练集A和标签集B；
采用神经网络对训练集A和标签集B进行训练，获取训练好的图像修复模型；
其中n≥1000。
具体地，本发明实施例的系统相关功能模块的工作原理可参见方法实施例的相关描述，这里不再赘述。
在本发明实施过程中，在对因各种环境、人为因素使得二维码受到磨损的情况下，对污损的二维码进行快速的修复，提高扫描枪对污损二维码识别速度和能力。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁盘或光盘等。
另外，以上对本发明实施例所提供的一种基于机器学习的污损二维码修复方法及系统进行了详细介绍，本文中应采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种基于机器学习的污损二维码修复方法，其特征在于，所述污损二维码修复方法，包括：
对获取的彩色二维码图像进行灰度化处理，转化为灰度二维码图像；
对所述灰度二维码图像进行灰度增强处理，获取增强处理后的灰度二维码图像；
采用训练好的SVM模型对增强处理后的灰度二维码图像进行二维码区域定位处理，获取二维码区域图像；
采用训练好的图像修复模型对所述二维码区域内的污损二维码进行修复处理，获取修复后的二维码图像；
所述对所述灰度二维码图像进行灰度增强处理为，包括：
采用归一化后的高斯卷积核对灰度二维码图像进行卷积处理，获取灰度二维码图像的光照图像；
采用灰度二维码图像减去光照图像处理，获取增强的灰度二维码图像；
同态滤波法通过高斯卷积核与灰度二维码图像进行卷积；其中，所述同态滤波法对灰度二维码图像的增强效果由高斯卷积核的尺度和方差所决定；
同态滤波的计算公式如下：
R＝I-I*A
其中R为增强的灰度二维码图像，I是灰度二维码图像，A为归一化的高斯卷积核。
2.根据权利要求1所述的污损二维码修复方法，其特征在于，所述对获取的彩色二维码图像进行灰度化处理为采用灰度转换公式将所述彩色二维码图像转换为所述灰度二维码图像，公式如下：
S＝0.299*R+0.587*G+0.114*B；
其中，S表示灰度化二维码图像，R表示彩色二维码图像中的三原色中的红色，G表示彩色二维码图像中的三原色中的绿色，B表示彩色二维码图像中的三原色中的蓝色。
3.根据权利要求1所述的污损二维码修复方法，其特征在于，所述SVM模型训练步骤，包括：
输入训练尺度C，将待训练二维码图像分割成C*C个小块；
判断每个分块中是否含有二维码区域，若有标注为1，反之标注为0，获取标签集Y；
将每个分块图像展开为向量，获取数据集X；
输入维度W，采用PCA降维将所述待训练二维码图像将至W维；
将降为W维待训练二维码数据集P作为训练集、Y作为标签集进行SVM模型训练，获取训练好的SVM模型。
4.根据权利要求1所述的污损二维码修复方法，其特征在于，所述采用训练好的SVM模型对增强处理后的灰度二维码图像进行二维码区域定位处理，包括：
将增强处理后的灰度二维码图像输入训练好的SVM模型中，训练好的SVM模型输出二维码区域图像。
5.根据权利要求1所述的污损二维码修复方法，其特征在于，所述图像修复模型的训练步骤，包括：
选取n个污损二维码图像和其对应的正常二维码图像分别作训练集A和标签集B；
采用神经网络对训练集A和标签集B进行训练，获取训练好的图像修复模型；
其中n≥1000。
6.根据权利要求1所述的污损二维码修复方法，其特征在于，所述对所述二维码区域内的污损二维码进行修复处理，包括：
将所述污损二维码输入训练好的图像修复模型中，通过训练好的图像修复模型进行图像修复处理，获取修复后的二维码图像。
7.一种基于机器学习的污损二维码修复系统，其特征在于，所述污损二维码修复系统，包括：
灰度化模块：用于对获取的彩色二维码图像进行灰度化处理，转化为灰度二维码图像；
灰度增强模块：用于对所述灰度二维码图像进行灰度增强处理，获取增强处理后的灰度二维码图像；
二维码定位模块：用于采用训练好的SVM模型对增强处理后的灰度二维码图像进行二维码区域定位处理，获取二维码区域图像；
二维码修复模块：用于采用训练好的图像修复模型对所述二维码区域内的污损二维码进行修复处理，获取修复后的二维码图像；
所述灰度增强模块包括：
卷积单元：用于采用归一化后的高斯卷积核对灰度二维码图像进行卷积处理，获取灰度二维码图像的光照图像；
计算单元：用于采用灰度二维码图像减去光照图像处理，获取增强的灰度二维码图像；
同态滤波法通过高斯卷积核与灰度二维码图像进行卷积；其中，所述同态滤波法对灰度二维码图像的增强效果由高斯卷积核的尺度和方差所决定；
同态滤波的计算公式如下：
R＝I-I*A
其中R为增强的灰度二维码图像，I是灰度二维码图像，A为归一化的高斯卷积核。
8.根据权利要求7所述的污损二维码修复系统，其特征在于，所述二维码定位模块包括:
输入输出单元：用于将增强处理后的灰度二维码图像输入训练好的SVM模型中，训练好的SVM模型输出二维码区域图像。
CN201810322991.3A 2018-04-11 2018-04-11 一种基于机器学习的污损二维码修复方法及系统 Active CN108596003B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810322991.3A CN108596003B (zh) 2018-04-11 2018-04-11 一种基于机器学习的污损二维码修复方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810322991.3A CN108596003B (zh) 2018-04-11 2018-04-11 一种基于机器学习的污损二维码修复方法及系统

Publications (2)

Publication Number Publication Date
CN108596003A CN108596003A (zh) 2018-09-28
CN108596003B true CN108596003B (zh) 2021-07-16

Family

ID=63622021

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810322991.3A Active CN108596003B (zh) 2018-04-11 2018-04-11 一种基于机器学习的污损二维码修复方法及系统

Country Status (1)

Country Link
CN (1) CN108596003B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109409159A (zh) * 2018-10-11 2019-03-01 上海亿保健康管理有限公司 一种模糊二维码检测方法及装置
CN109685956B (zh) * 2019-01-21 2022-05-13 武汉小安科技有限公司 共享单车车牌扫描开锁方法、装置、设备及存储介质
US10956696B2 (en) 2019-05-31 2021-03-23 Advanced New Technologies Co., Ltd. Two-dimensional code identification and positioning
CN110378165B (zh) * 2019-05-31 2022-06-24 创新先进技术有限公司 二维码识别方法、二维码定位识别模型建立方法及其装置
CN110647965A (zh) * 2019-08-08 2020-01-03 广东工业大学 一种艺术二维码转换常规二维码的方法
CN112016339B (zh) * 2020-08-18 2023-12-29 中移（杭州）信息技术有限公司 二维码识别及缺损修复方法、装置、电子设备及存储介质
CN113361673B (zh) * 2021-01-18 2022-07-15 南昌航空大学 一种基于支持向量机的彩色二维码防伪方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101329734A (zh) * 2008-07-31 2008-12-24 重庆大学 基于k-l变换和ls-svm的车牌字符识别方法
CN103235944A (zh) * 2013-05-15 2013-08-07 青岛科技大学 人群流分割及人群流异常行为识别方法
CN103778400A (zh) * 2012-10-25 2014-05-07 河南盛唐信息技术有限公司 一种自动修复识别二维码码图符号的解码方法及其设备
CN104636701A (zh) * 2014-12-12 2015-05-20 浙江工业大学 一种基于图像修复的激光二维码识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101329734A (zh) * 2008-07-31 2008-12-24 重庆大学 基于k-l变换和ls-svm的车牌字符识别方法
CN103778400A (zh) * 2012-10-25 2014-05-07 河南盛唐信息技术有限公司 一种自动修复识别二维码码图符号的解码方法及其设备
CN103235944A (zh) * 2013-05-15 2013-08-07 青岛科技大学 人群流分割及人群流异常行为识别方法
CN104636701A (zh) * 2014-12-12 2015-05-20 浙江工业大学 一种基于图像修复的激光二维码识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
污损二维码图像复原的研究;侍倩倩;《信息科技辑》;20170215;I138-4149 *

Also Published As

Publication number Publication date
CN108596003A (zh) 2018-09-28

Similar Documents

Publication Publication Date Title
CN108596003B (zh) 一种基于机器学习的污损二维码修复方法及系统
US11790198B2 (en) Method and apparatus for processing encoded pattern, storage medium, and electronic apparatus
US10817741B2 (en) Word segmentation system, method and device
CN111222513B (zh) 车牌号码识别方法、装置、电子设备及存储介质
CN107330904A (zh) 图像处理方法、装置、电子设备及存储介质
WO2021147569A1 (zh) 基于神经网络的文字识别方法、装置及可读存储介质
CN110930356B (zh) 一种工业二维码无参考质量评估系统及方法
CN102385707A (zh) 一种数字图像识别的方法、装置及爬虫服务器
CN116542982B (zh) 一种基于机器视觉的出发判断器缺陷检测方法及装置
CN113592735A (zh) 文本页面图像还原方法及系统、电子设备和计算机可读介质
Hu et al. Mask-guided cycle-GAN for specular highlight removal
CN104346596A (zh) 一种qr码的识别方法及识别装置
CN113435557A (zh) 一种二维码生成、解码、识别方法、装置及设备
CN112541899B (zh) 证件的残缺检测方法、装置、电子设备及计算机存储介质
CN115170414A (zh) 一种基于知识蒸馏的单幅图像去雨方法及系统
CN111986176B (zh) 一种裂纹图像识别方法、系统、终端及可读存储介质
Tkachenko et al. Improving the module recognition rate of high density QR codes (Version 40) by using centrality bias
CN111079581A (zh) 一种人体皮肤识别的方法与装置
Vo et al. Barcode Image Restoration for Recognition of Product Information
CN114897901B (zh) 基于样本扩充的电池质量检测方法、装置和电子设备
CN113255683B (zh) 一种基于神经网络的图像分割方法、系统及存储介质
Xie et al. Single Image Reflection Removal with Reflection Classifier and Gradient Restorer
CN115984891A (zh) 票据识别设备和方法
CN116485992A (zh) 一种复合型三维扫描方法和装置、三维扫描仪
CN117877045A (zh) 一种条码的识别方法、终端设备以及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant